企业官网建设流程全解析

简介：这是一份面向新媒体运营、自媒体达人与网络营销从业者的AI指令合集，聚焦小红书爆款文案的完整创作链路。内容围绕角色设定、背景与目标展开，系统拆解标题、正文、标签三大关键要素的撰写技巧，并给出从用户调研、主题选定到文案撰写、SEO标签设置的工作流程与具体步骤，强调消费心理与平台特性的融合运用。资源包内含1个docx文档，压缩包约19KB，以文字指令与模板为主，便于直接复制调用。文档中收录了标题二极管法、爆款关键词库、正文表情符号运用、核心关键词与高转化词标签策略等实战要点，并附书单号荐书口播文案等扩展指令，可帮助读者快速产出具备网感的小红书笔记。目前已有647人学习下载，适合希望提升账号影响力与个人IP塑造的创作者参考实践。

1. 小红书爆款文案的 AI 指令合集：为什么你写的提示词总差一口气

同一个大模型，有人用它批量产出点赞过万的笔记文案，有人写出来的东西自己都不想看第二遍。差距不在模型版本，而在提示词的组织方式。所谓「AI 指令合集-小红书爆款文案」，本质是把小红书平台的内容规律拆解成一组可复用、可组合、可迭代的结构化提示词模板，让模型稳定输出符合平台调性的标题、正文、标签和互动引导。它解决的不是「能不能生成文案」，而是「能不能稳定生成及格线以上的文案」。适合三类人：需要日更但没时间逐字打磨的运营、想批量测试选题方向的内容团队、以及刚接触提示词工程想找一个真实场景练手的开发者。这一章先把底层逻辑讲清楚，后面再动手搭。

小红书文案和公众号、知乎最大的区别在于：用户是「刷」到的，不是「搜」到的。这意味着前 20 个字决定生死，封面标题决定点击，正文前两行决定是否展开，标签决定能不能被推荐流二次分发。这四个节点对应四类提示词任务，不能用一个万能模板糊弄过去。很多人翻车的根本原因是把「写一篇小红书文案」当成一个原子任务丢给模型，模型只能给你一篇四平八稳、毫无网感的通用文案。正确的做法是把任务拆成标题生成、正文撰写、标签推荐、互动钩子四个子任务，每个子任务用独立的指令模板，最后再拼装。这就是指令合集存在的意义——它不是一条提示词，是一套流水线。

2. 拆解爆款文案的四个结构层：从标题到标签的指令设计

2.1 标题层：用「人群 + 痛点 + 结果」三元组约束模型

小红书的标题不是概括全文，而是制造点击冲动。直接让模型「写一个吸引人的标题」，它会给你「震惊」「必看」这种十年前就失效的词。有效的做法是用三元组结构约束：目标人群 + 具体痛点 + 可感知结果。比如「油皮姐妹 + 夏天脱妆 + 12 小时不补妆实测」。这个结构之所以有效，是因为它同时命中了推荐算法的关键词匹配和用户的自我代入。

下面是一个标题生成的指令模板，用 Python 调用通用大模型 API 的写法：

import requests import json def generate_titles(product_desc, platform_tone="小红书"): """ 生成小红书风格标题 product_desc: 产品/内容描述 platform_tone: 平台调性，默认小红书 """ prompt = f"""你是一个{platform_tone}爆款标题写手。根据以下内容描述，生成 5 个标题。 内容描述：{product_desc} 要求： 1. 每个标题控制在 20 字以内 2. 必须包含「目标人群」或「使用场景」 3. 必须包含一个具体数字或时间承诺 4. 使用口语化表达，可以用「谁懂」「真的会谢」「救命」等平台高频词 5. 不要用「震惊」「必看」「速转」等过时词汇 6. 每个标题后标注它针对的人群标签 输出格式： 1. 标题内容 | 人群标签 2. 标题内容 | 人群标签 ...""" # 这里替换为你实际使用的模型 API 端点 response = requests.post( "https://your-llm-api-endpoint/v1/chat/completions", headers={"Authorization": "Bearer YOUR_KEY"}, json={ "model": "your-model-name", "messages": [{"role": "user", "content": prompt}], "temperature": 0.8 # 标题需要多样性，温度调高 } ) return response.json()["choices"][0]["message"]["content"] # 调用示例 result = generate_titles("一款适合油性皮肤的夏季粉底液，主打持妆12小时不脱妆") print(result)

这段代码的关键参数是temperature。标题生成需要多样性，建议设在 0.7 到 0.9 之间；如果调到 0.3 以下，五个标题会长得几乎一样。另一个容易忽略的点是「输出格式」的约束——如果不指定格式，模型会自由发挥，后续做批量处理时解析成本极高。我一般会在指令里强制要求用竖线分隔标题和标签，这样用split("|")就能直接拆成结构化数据。

2.2 正文层：三段式结构 + 情绪曲线的指令模板

小红书正文的黄金结构是「钩子段 + 干货段 + 互动段」。钩子段用两行制造共鸣或悬念，干货段给具体可操作的信息，互动段引导评论。很多人写的正文像产品说明书，就是因为缺少情绪曲线的设计。指令里要明确告诉模型：第一段制造焦虑或好奇，第二段给解决方案，第三段抛问题给读者。

def generate_body(topic, key_points, tone="闺蜜聊天"): """ 生成小红书正文 topic: 主题 key_points: 要覆盖的核心要点列表 tone: 语气风格 """ points_str = "\n".join([f"- {p}" for p in key_points]) prompt = f"""你是一个小红书博主，用「{tone}」的语气写一篇笔记正文。 主题：{topic} 必须覆盖的要点： {points_str} 结构要求： 第一段（钩子）：2-3 行，用一个具体场景或反常识结论开头，让读者觉得「这说的就是我」 第二段（干货）：分点展开，每点 2-3 行，给出具体做法或数据，不要空泛 第三段（互动）：1-2 行，抛出一个容易回答的问题引导评论 语言要求： - 每行不超过 25 字，方便手机阅读 - 适当使用换行和空行，不要写成一大段 - 可以用 1-2 个 emoji 做视觉锚点，但不要每行都加 - 不要用「首先」「其次」「最后」这种书面连接词 直接输出正文，不要加标题。""" response = requests.post( "https://your-llm-api-endpoint/v1/chat/completions", headers={"Authorization": "Bearer YOUR_KEY"}, json={ "model": "your-model-name", "messages": [{"role": "user", "content": prompt}], "temperature": 0.6 # 正文需要稳定性和可读性，温度适中 } ) return response.json()["choices"][0]["message"]["content"]

temperature在正文生成时建议降到 0.5 到 0.7。标题可以天马行空，正文如果太发散会失去可信度。key_points这个参数是质量的关键——如果你不传要点，模型会自己编，编出来的东西往往空洞。我一般会先从产品资料或竞品笔记里提取 3 到 5 个核心卖点，作为key_points传进去，这样生成的正文才有信息密度。

2.3 标签层：用「核心词 + 长尾词 + 场景词」三层标签策略

标签决定笔记能不能被推荐流分发给非粉丝用户。很多人只打三五个大词，比如「护肤」「美妆」，这种词竞争激烈，新号根本排不上。有效的标签策略是三层：1 到 2 个核心大词保证基础曝光，3 到 4 个长尾词精准匹配搜索意图，2 到 3 个场景词蹭当下流量。指令模板如下：

def generate_tags(content, category): """ 生成三层标签策略 content: 笔记正文摘要 category: 内容大类 """ prompt = f"""根据以下笔记内容，生成小红书标签策略。 内容摘要：{content} 内容大类：{category} 请按三层输出： 第一层（核心词）：2 个，大类目词，流量大但竞争激烈 第二层（长尾词）：4 个，具体到使用场景或人群，搜索意图明确 第三层（场景词）：3 个，当下热门话题或季节相关词 每个标签用 # 开头，后面跟一个简短的理由说明为什么选它。 输出格式： 核心词：#标签1（理由） #标签2（理由） 长尾词：#标签3（理由） ... 场景词：#标签4（理由） ...""" response = requests.post( "https://your-llm-api-endpoint/v1/chat/completions", headers={"Authorization": "Bearer YOUR_KEY"}, json={ "model": "your-model-name", "messages": [{"role": "user", "content": prompt}], "temperature": 0.5 } ) return response.json()["choices"][0]["message"]["content"]

标签生成不需要太高的温度，0.4 到 0.6 足够。关键是让模型给出「理由」，这样你可以判断它是不是在胡编。如果理由说不通，标签大概率也不靠谱。另外注意：标签数量控制在 8 到 10 个，太少覆盖不够，太多会被判定为堆砌。

2.4 互动钩子层：让评论区自己转起来的指令设计

互动钩子是最容易被忽略的一层。小红书算法会把评论数、收藏数作为推荐权重的重要因子。一个有效的互动钩子不是「大家怎么看」，而是给出一个具体的选择题或经验征集。比如「你们夏天用什么定妆？我试了七八种还是觉得散粉最稳，求推荐不脱妆的」。

def generate_hook(topic, target_audience): """ 生成互动钩子 topic: 笔记主题 target_audience: 目标人群 """ prompt = f"""为以下小红书笔记写 3 个互动钩子，放在正文末尾。 主题：{topic} 目标人群：{target_audience} 要求： 1. 每个钩子是一个具体问题，不是「你们觉得呢」这种空泛问法 2. 问题要容易回答，最好是一句话就能回复的 3. 可以包含「求推荐」「有没有同款」「你们一般怎么」等引导句式 4. 每个钩子不超过 30 字 直接输出 3 个钩子，编号排列。""" response = requests.post( "https://your-llm-api-endpoint/v1/chat/completions", headers={"Authorization": "Bearer YOUR_KEY"}, json={ "model": "your-model-name", "messages": [{"role": "user", "content": prompt}], "temperature": 0.7 } ) return response.json()["choices"][0]["message"]["content"]

互动钩子的温度可以稍高，0.6 到 0.8，因为需要一些创意来制造话题感。但要注意：钩子不能太刻意，否则读者会觉得你在「骗评论」。我一般会从正文的干货段里找一个「没讲透」的点来设计钩子，这样既自然又能延续内容价值。

3. 把四个模块串成流水线：批量生成与人工筛选的配合

3.1 用配置文件管理指令模板，避免硬编码

当你有了四个模块的指令模板后，下一步是把它们串起来。最忌讳的是把提示词硬编码在代码里，改一个词要翻半天。我一般会用一个 YAML 或 JSON 配置文件来管理所有模板，代码只负责读取和填充变量。

import yaml # prompts.yaml 示例结构 """ title_prompt: | 你是一个小红书爆款标题写手... 内容描述：{product_desc} ... body_prompt: | 你是一个小红书博主... 主题：{topic} 要点：{key_points} ... tag_prompt: | 根据以下笔记内容，生成标签策略... """ def load_prompts(path="prompts.yaml"): with open(path, "r", encoding="utf-8") as f: return yaml.safe_load(f) def batch_generate(product_list, prompts): """ 批量生成文案 product_list: 产品描述列表 prompts: 从配置文件加载的模板字典 """ results = [] for product in product_list: # 第一步：生成标题 title_prompt = prompts["title_prompt"].format(product_desc=product) titles = call_llm(title_prompt, temperature=0.8) # 第二步：生成正文 body_prompt = prompts["body_prompt"].format( topic=product, key_points="待从产品资料提取" ) body = call_llm(body_prompt, temperature=0.6) # 第三步：生成标签 tag_prompt = prompts["tag_prompt"].format( content=body[:200], # 取正文前 200 字做摘要 category="美妆护肤" ) tags = call_llm(tag_prompt, temperature=0.5) results.append({ "product": product, "titles": titles, "body": body, "tags": tags }) return results

配置文件的好处是可维护性。当平台流行语变化时，你只需要改 YAML 文件里的几个词，不用动 Python 代码。另一个好处是可以做 A/B 测试——准备两套模板，分别跑一批内容，对比数据表现。

3.2 批量生成后的筛选策略：三个硬指标

批量生成不等于批量发布。模型一天能给你几百条文案，但直接发出去大概率翻车。我一般会用三个硬指标做初筛：第一，标题里有没有具体数字或时间承诺，没有的直接淘汰；第二，正文前两行有没有制造出「这说的就是我」的代入感，没有的降级处理；第三，标签里有没有至少两个长尾词，全是泛词的重写。这三个指标能过滤掉 60% 以上的低质内容，剩下的再人工微调。

筛选之后还有一步：把同一批次里表现最好的标题和正文结构提取出来，反哺到指令模板里。比如你发现「谁懂啊 + 具体场景 + 反转结论」这个句式点击率特别高，就把它写进标题模板的示例里。指令合集不是一次写死的，是跟着数据迭代的。

4. 避坑指南：指令合集落地时最容易翻车的五个地方

4.1 现象：模型输出总是「首先其次最后」的八股文

原因：指令里没有明确禁止书面连接词，模型默认用了训练数据里最常见的议论文结构。解决：在正文模板里加一条硬约束——「不要用首先、其次、最后、因此、总之等书面连接词，用换行和空行代替逻辑过渡」。这条约束要放在指令靠前的位置，越靠前权重越高。

4.2 现象：生成的标题看起来不错，但发出去点击率极低

原因：标题缺少「具体性」。模型喜欢写「让你惊艳的护肤好物」这种模糊表达，但小红书用户对具体数字和场景更敏感。解决：在标题指令里强制要求「必须包含一个具体数字或时间承诺」，并且给两个正例和两个反例。正例：「3 天不洗头也不油」「12 小时不脱妆实测」；反例：「超级好用的洗发水」「持妆效果惊艳」。

4.3 现象：标签全是「护肤」「美妆」这种大词，新号完全没流量

原因：模型倾向于选高频词，因为它们在训练数据里出现次数多。解决：在标签指令里明确要求「核心词不超过 2 个，长尾词至少 4 个，长尾词必须包含具体场景或人群限定」。同时给模型一个长尾词的示例列表，比如「油皮夏天定妆」「学生党平价护肤」「敏感肌换季急救」，让它有参照。

4.4 现象：批量生成时 API 调用频繁超时或返回空结果

原因：并发请求太多，或者单次请求的 token 数超限。解决：加一个简单的重试机制和速率限制。我一般用time.sleep(1)在每次请求之间加 1 秒间隔，并且设置最大重试次数为 3 次。如果还是超时，就把批量任务拆成更小的批次，每批 10 条以内。

import time def call_llm_with_retry(prompt, temperature=0.7, max_retries=3): for attempt in range(max_retries): try: response = requests.post( "https://your-llm-api-endpoint/v1/chat/completions", headers={"Authorization": "Bearer YOUR_KEY"}, json={ "model": "your-model-name", "messages": [{"role": "user", "content": prompt}], "temperature": temperature }, timeout=30 ) if response.status_code == 200: return response.json()["choices"][0]["message"]["content"] except requests.exceptions.Timeout: pass time.sleep(2 ** attempt) # 指数退避 return None # 三次都失败，返回空

4.5 现象：生成的内容有事实性错误，比如编造产品成分

原因：模型在缺乏约束时会「补全」它不知道的信息。解决：在指令里加一条「如果信息不足，用【待补充】标记，不要编造具体数据或成分」。同时，在批量生成后加一个人工审核环节，重点检查数字、成分、功效宣称这三类信息。这一步不能省，尤其是涉及功效宣称的内容，翻车成本很高。

5. 进阶技巧：用少样本示例和风格锚点提升指令稳定性

5.1 少样本示例：给模型看三个爆款，比写三百字要求管用

指令工程里最被低估的技巧是少样本示例。与其用文字描述「要口语化、要有网感」，不如直接给模型看三个你认可的爆款文案，让它模仿。具体做法是在指令末尾加一段「参考风格」：

few_shot_examples = """ 参考风格（模仿以下文案的语气和结构，但不要抄内容）： 示例1： 谁懂啊，夏天化妆出门五分钟就脱妆 试了七八种定妆方法，最后发现最有用的居然是... 1. 妆前用冰毛巾敷脸 30 秒 2. 粉底液里混一滴精华 3. 定妆喷雾喷三层，每层等 10 秒 你们夏天一般怎么定妆？求推荐不脱妆的散粉 示例2： 作为一个油皮，我真的会谢 每次买粉底液都像在赌博 直到我发现了这个用法... （正文略） 有没有同款油皮姐妹？你们用什么粉底？ """

把这段示例放在指令的「输出要求」之后、「直接输出正文」之前，模型会明显倾向于模仿示例的句式和节奏。注意：示例不要超过三个，太多会占用上下文窗口，而且模型可能直接抄。

5.2 风格锚点：用「语气词白名单」控制模型的口语化程度

小红书文案的口语化不是越随意越好，而是要有选择地使用平台高频语气词。我一般会在指令里加一个「语气词白名单」，比如「谁懂、真的会谢、救命、绝了、踩雷、回购、平替」，同时加一个「黑名单」，比如「震惊、必看、速转、不转不是中国人」。白名单和黑名单各控制在 10 个词以内，太多模型记不住。

5.3 验证方法：用「盲测对比」判断指令迭代是否有效

每次修改指令模板后，不要凭感觉判断好坏。我一般会做一个小规模盲测：用旧模板和新模板各生成 10 条文案，打乱顺序后发给 3 个同事，让他们选出「更想点击」的 5 条。如果新模板胜出超过 60%，才认为迭代有效。这个方法成本低，但比拍脑袋靠谱得多。

5.4 一个我踩过的坑：不要追求「一条指令搞定所有」

刚开始做指令合集时，我总想写一条万能提示词，输入产品名就输出完整文案。结果就是每个环节都差一口气——标题不够抓人，正文不够具体，标签不够精准。后来拆成四个独立模块，每个模块单独调优，整体质量反而上了一个台阶。指令工程和写代码一样，单一职责原则同样适用。每个模块只做一件事，做好一件事，最后拼起来才稳。

希望帮到你。

本文还有配套的精品资源，点击获取